[发明专利]基于Stacking集成学习方式雷达HRRP目标识别方法

权利要求书

1.一种基于Stacking集成学习方式雷达HRRP目标识别方法，其特征在于，该方法包括以下步骤：

S1按照训练集应尽量包含目标各角度的数据，且测试集与训练集的样本不重复出现的规则，建立训练集和测试集：对于训练集中第i类目标的第j个HRRP样本可以表示为对于测试集中第i类目标的第j个HRRP样本可以表示为n表示HRRP样本的第n个采样点，N代表HRRP样本中共有N个采样点；

S2训练阶段：训练时先从HRRP训练样本中提取均值距离像特征、径向长度特征、PCA变换特征，再把三类特征串联成组合特征，然后用ReliefF算法筛选特征，用SVM_RFE算法从筛选后的特征中提取最优特征子集，最后基于最优特征子集，利用Stacking集成学习的方式获得训练后的基分类器和元分类器，具体如下：

S2.1对第i类目标的第j个HRRP训练样本做2范数归一化，得到归一化后HRRP训练样本信号

S2.2基于归一化HRRP训练样本信号进行特征提取，将提取的三类特征串联成组合特征,具体步骤如下：

S2.2.1提取归一化后HRRP训练样本信号的均值距离像特征

整个训练集对应的均值距离像特征为其中z表示每类目标均有z个训练样本；

S2.2.2提取归一化后HRRP训练样本信号的径向长度特征具体如下：计算的幅度均值依次将中第1至第个采样点的幅度与阈值进行对比，第1至第个采样点的坐标依次为将第一个大于阈值的点的坐标值记为再依次将中的第n至第个采样点的幅度与阈值进行对比，第n至第个采样点的坐标依次为将第一个大于阈值的点的坐标值记为则第i个目标的第j个HRRP训练样本对应的径向长度特征可表示为整个训练集对应的径向长度特征为F_l：其中z表示每类目标均有z个训练样本；

S2.2.3提取归一化后HRRP训练样本信号的PCA变换特征为变换后获得的特征，pca为MATLAB中的函数；整个训练集对应的PCA变换特征为F_pca：其中z表示每类目标均有z个训练样本；

S2.2.4将上述三类特征串联起来，拼接成一个组合特征，则第i个目标的第j个HRRP样本对应组合特征为整个训练集对应的组合特征为

S2.3利用RelifF算法对F进行权重计算并排序[F_r,sort_r]＝RelifF(F)，其中F_r是按照权重从高到低排列好的特征，sort_r是生成的特征排序矩阵，可用于测试数据中样本特征权重的排序；

S2.4利用SVM_RFE算法寻找F_r中的最优特征子集[F_s,sort_s]＝SVM_RFE(F_r)，获得最优特征子集F_s和最优特征子集提取矩阵sort_s，为测试数据最优特征子集提取做准备；

S2.5借助Stacking集成学习的方式训练三类基分类器和一个元分类器，第一类基分类器为支持向量机分类器，第二类基分类器为k近邻分类器，第三类基分类器为随机森林分类器，元分类器为k近邻分类器，具体操作如下：

S2.5.1先将S2.4获得的最优特征子集F_s等分为5份：F_s¹,F_s²,F_s³,F_s⁴,F_s⁵，训练第一类基分类器SVM中的第1个分类器SVM¹时，用F_s¹做验证测试数据，用F_s²,F_s³,F_s⁴,F_s⁵做训练数据训练分类器SVM¹，验证测试结果记为P_svm¹，训练支持向量机分类器SVM中的第2个分类器SVM²时，用F_s²做验证测试数据，用F_s¹,F_s³,F_s⁴,F_s⁵据做训练数据训练分类器SVM²，验证测试结果记为P_svm²，……，依次把F_s³,F_s⁴,F_s⁵分别作为验证测试数据，其余四份数据做训练数据，可获得五个训练好的第一类基分类器SVM¹,SVM²,SVM³,SVM⁴,SVM⁵，同时还可获得五份验证测试结果P_svm＝[P_svm¹,P_svm²,P_svm³,P_svm⁴,P_svm⁵]^T；

S2.5.2按S2.5.1的训练方法对第二类基分类器KNN和第三类基分类器RF进行训练验证测试，同样可获得五个训练好的第二类基分类器KNN¹,KNN²,KNN³,KNN⁴,KNN⁵以及五个训练好的第三类基分类器RF¹,RF²,RF³,RF⁴,RF⁵，还可获得验证测试结果P_{f_knn}＝[P_{f_knn}¹,P_{f_knn}²,P_{f_knn}³,P_{f_knn}⁴,P_{f_knn}⁵]^T及P_rf＝[P_rf¹,P_rf²,P_rf³,P_rf⁴,P_rf⁵]^T；

S2.5.3把上述验证测试结果拼接，作为最新的训练数据F_last＝[P_svm,P_{f_knn},P_rf]；

S2.6把F_last＝[P_svm,P_{f_knn},P_rf]导入元分类器KNN进行训练，获得训练好的元分类器；

S3测试阶段：测试时先从HRRP训练样本中提取均值距离像特征、径向长度特征、PCA变换特征，把以上三类特征串联成组合特征，再依次乘以训练时获得的特征排序矩阵和最优特征子集提取矩阵，得到最优特征子集，然后将最优特征子集导入已训练好的基分类器，得到最新的测试数据集，最后利用已训练好的元分类器对将该最新测试数据集进行分类，得到最终的分类结果，具体如下：

S3.1对第i类目标的第j个HRRP测试样本做2范数归一化，得到归一化后HRRP测试样本信号

S3.2基于归一化HRRP测试样本信号进行特征提取，将提取的三类特征串联成组合特征,具体步骤如下：

S3.2.1提取归一化后HRRP测试样本信号的均值距离像特征

整个测试集对应的均值距离像特征为其中y表示每类目标均有y个测试样本；

S3.2.2提取归一化后HRRP测试样本信号的径向长度特征具体过程如下：求出的幅度均值依次将中的第1至第个采样点的幅度与阈值进行对比，第1至第个采样点的坐标依次为将第一个大于阈值的点的坐标值记为再依次将中的第n至第个采样点的幅度与阈值进行对比，第n至第个采样点的坐标依次为将第一个大于阈值的点的坐标值记为则第i个目标的第j个HRRP测试样本对应的径向长度特征可表示为整个测试集对应的径向长度特征为f_l：其中y表示每类目标均有y个测试样本；

S3.2.3提取归一化后HRRP测试样本信号的PCA变换特征为变换后获得的特征，pca为MATLAB中的函数,整个测试集对应的PCA变换特征为f_pca：其中y表示每类目标均有y个测试样本；

S3.2.4将上述三类特征串联起来，拼接成一个组合特征，则第i个目标的第j个HRRP测试样本对应的组合特征为整个测试集对应的组合特征为

S3.3利用S2.3获得的sort_r乘以组合特征f，进行特征筛选，获得筛选后的特征f_r＝f×sort_r；

S3.4利用S2.4获得的sort_s乘以筛选后的特征f_r，获得所需的最优特征子集f_s＝f_r×sort_s；

S3.5将最优特征子集f_s依次导入训练时获得的五个已训练好的第一类基分类器SVM¹,SVM²,SVM³,SVM⁴,SVM⁵中，获得五个分类结果R_svm¹,R_svm²,R_svm³,R_svm⁴,R_svm⁵,将这五个分类结果平均得到R_svm，作为最新的测试数据的一个子集；

将最优特征子集f_s依次导入训练时获得的五个训练好的第二类基分类器KNN¹,KNN²,KNN³,KNN⁴,KNN⁵以及五个训练好的第三类基分类器RF¹,RF²,RF³,RF⁴,RF⁵中，分别将这五个分类结果平均获得最新的测试数据的子集R_{f_knn}和R_rf，将三个测试子集拼接为一个总的测试数据集T_last＝[R_svm,R_{f_knn},R_rf]；

S4用S2.6训练好的元分类器对最新的测试数据集T_last＝[R_svm,R_{f_knn},R_rf]进行分类，得到最终的分类结果。